course/pr_1114/ro/chapter10/1.md

# Introducere în Argilla[[introducere-în-argilla]]

<CourseFloatingBanner
    chapter={10}
    classNames="absolute z-10 right-0 top-0"
/>

În Capitolul 5 ați învățat cum să construiți un set de date folosind biblioteca 🤗 Datasets și în Capitolul 6 ați explorat cum să ajustați modele pentru unele sarcini NLP comune. În acest capitol, veți învăța cum să folosiți [Argilla](https://argilla.io) pentru a **anota și cura seturi de date** pe care le puteți folosi pentru a antrena și evalua modelele dvs. .

Cheia pentru antrenarea modelelor care funcționează bine este să aveți date de înaltă calitate. Deși există unele seturi de date bune în Hub pe care le-ați putea folosi pentru a antrena și evalua modelele dvs. , acestea s-ar putea să nu fie relevante pentru aplicația sau cazul de utilizare specific. În acest scenariu, s-ar putea să doriți să construiți și să curați un set de date propriu. Argilla vă va ajuta să faceți acest lucru eficient.

<img src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter10/signin-hf-page.png" alt="Pagina de autentificare Argilla."/>

Cu Argilla puteți:

- transforma datele nestructurate în **date structurate** care să fie folosite în sarcini NLP.
- cura un set de date pentru a trece de la un set de date de calitate scăzută la un **set de date de înaltă calitate**.
- aduna **feedback uman** pentru LLM-uri și modele multi-modale.
- invita experți să colaboreze cu dvs. în Argilla, sau să aduceți adnotări de la mulțime!

Iată câteva dintre lucrurile pe care le veți învăța în acest capitol:

- Cum să vă configurați propria instanță Argilla.
- Cum să încărcați un set de date și să îl configurați pe baza unor sarcini NLP populare.
- Cum să folosiți interfața Argilla pentru a vă anota setul de date.
- Cum să folosiți setul de date curat și să îl exportați către Hub. 

<EditOnGithub source="https://github.com/huggingface/course/blob/main/chapters/ro/chapter10/1.mdx" />